YT 学习笔记

GLM 5.2 约等于 Opus 4.8：1v1 实测与 Claude Code 接入全解

17分钟阅读下载 MD

封面

Nick Saraev · 时长 00:00 · 发布 2026-06-19 · 3122次观看(截至抓取) · 观看原视频

🔥 观众最高回放 08:00 — 演示 GLM 5.2 在 Claude Code 内如何用 Exa AI 补齐内置 Web 搜索的缺失

主旨

Nick 把 GLM 5.2 与 Opus 4.8 在 7 个真实场景里 1v1 比拼,得出”风格品味 GLM 5.2 略胜”与”成本约 1/5”的双重判断;随后演示如何用 OpenRouter + ANTHROPIC_BASE_URL 把 GLM 5.2 装进 Claude Code harness,以及四种部署路径(Z.AI 套餐 / OpenRouter / 直连服务商 / 2-bit 量化本地跑)的取舍。

核心论点

  1. GLM 5.2 在风格品味上约等于甚至略胜 Opus 4.8,而价格只是后者的一小部分——这来自 7 个真实场景的 1v1 对比,而非 benchmark 数字。(→ 详解1)
  2. 当 benchmark 已饱和,“taste”是判别模型的真正标尺——为品味付溢价才是值得的。(→ 详解2)
  3. 把 GLM 5.2 装进 Claude Code 的方法是改 ANTHROPIC_BASE_URL 环境变量指向 OpenRouter,Claude Code 的 harness 与 Anthropic API 规范同源,只要端点兼容就无缝替换。(→ 详解3)
  4. GLM 5.2 没有内置 Web 搜索,需把 Claude Code 的搜索能力单独接出去——演示中用的是 Exa AI。(→ 详解4)
  5. GLM 5.2 的部署有 4 条主路径,按场景分流:Z.AI 官方套餐(类 Claude Max)、OpenRouter(按量付、自动仲裁多家)、Fireworks/Deep Infra/GMI 直连(单一服务商)、2-bit 量化自托管(256GB Mac 可跑,82% 准确率)。(→ 详解5)

知识点详解

1. 7 个真实场景的 1v1 对比 00:07

Nick 拿同一个 naive prompt 在 Opus 4.8 与 GLM 5.2 上各跑一遍,场景覆盖 3D WebGL 星云螺旋、互动解释器、low-poly 地形飞越、仪表盘、落地页、全栈 app 与小游戏,共约 40 个画面。结论是 GLM 5.2 输出了”明显更干净、更高 style”的版本——比如星云螺旋里 Opus 的 galaxy 因高光过曝”literally can’t even see the galaxy to begin with”(01:41),而 GLM 5.2 的版本可以自由重定位、调节粒子尺寸。

最弱项是游戏:GLM 5.2 的”叠塔”小游戏虽然能跑,但 Nick 评价它”doesn’t fully understand how difficult this is”(03:43)——可玩但难度曲线没调对。整体结论是”GLM 5.2 更好,我用得也最多”。

2. 风格品味作为模型评判标尺 01:01

Nick 明确说”we’re at the point where the benchmarks are effectively saturated”(01:01):GLM 5.2 与 Opus 4.8 在常见 benchmark 上分数接近,纸面数字已无法区分能力。判别一个模型真正能否用的办法是”take it from a taste perspective”——让两个模型各自针对一个方向输出,然后用人眼判断哪份更像样。

由此推出”higher style multiplier”(03:27)这一概念:GLM 5.2 同样 prompt 下默认产出更”sexy / tasteful”,省下的不是 token 而是设计师后续的返工时间。视频的隐含建议是:在两个模型都够用时,挑你更”想看”的那份产出对应的模型。

3. ANTHROPIC_BASE_URL 装 GLM 5.2 进 Claude Code 07:12

装 GLM 5.2 进 Claude Code 的核心动作只有一步:在 Claude Code 实例的启动环境里把 ANTHROPIC_BASE_URL 改成 OpenRouter 给的端点(任何 API 规范与 Anthropic 兼容的端点都可以),Claude Code 就把所有请求转给 GLM 5.2,整套 harness 原样保留(07:18)。

落地步骤:注册 OpenRouter 拿到 key → 粘贴到 IDE(演示用 anti-gravity)→ 写一句”在 Claude Code 里配置 GLM 5.2”→ agent 自己跑通路径并验证(05:29,07:12)。Nick 自陈”把 key 直接贴文本里”对个人 demo 来说够用,生产环境应另寻更安全的存法(转录未给具体方案)。

为什么这招能成立:Claude Code 的 Anthropic 客户端是 spec 兼容的,OpenRouter 端点返回的响应格式与 Anthropic 相同,所以换 base URL 等于换模型,不用改 harness 任何一行代码。

4. 用 Exa AI 补 Web 搜索 07:52

GLM 5.2 自己不带 Web 搜索,Claude Code harness 内的搜索会默认走 Anthropic 路径,在替换 base URL 后会”doesn’t work 100% out of the box”(07:52)。Nick 的解法是把搜索能力单独接出去:用 Exa AI 之类的 web search service(类比”为 AI agent 提供搜索能力的软件平台”)把搜索请求路由过去,Claude Code 仍负责调度与执行,Exa AI 只负责检索。

配置方法是让 Claude Code 在新 GLM 目录里跑”setup exa.ai for web search”(08:35),会向用户要 Exa AI 的 API key(新用户有 $10 免费额度),之后搜索 query 自动转给 Exa AI。Open Code 终端同理也能用 Exa AI。

5. 4 条部署路径的取舍 12:18

Nick 列了四条主路径,没有唯一答案:

  • Z.AI AI coding plan:Z.AI 官方订阅,分 light / pro / $80/月三档,接近 Claude Max 模式(12:23),适合用量稳定、不想自己管 key 的用户。
  • OpenRouter:Nick 实际在用的选择,理由是”plug-and-play”——按 token 付钱,平台自动仲裁多家 provider 把价格压到最低,他特意说”我不是他们赞助的”,但承认”挺直接、挺顺”。
  • 直连服务商:Fireworks、Deep Infra、GMI 等”dedicated providers”(12:57),不经过 OpenRouter 的仲裁,适合对延迟与稳定性有强需求的场景。
  • 2-bit 量化自托管:GLM 5.2 原生 700B 参数,自托管一般机器跑不动,但有人把模型”quantized the hell out of it”(13:17)压到 2-bit,准确率仍保留 82%(13:22),256GB 内存的 Mac 或部分 RAM/VRAM 配置就能本地跑。Nick 的隐含态度是:这是”no one can take it away from you”的兜底方案。

四种路径的边界是个人对稳定性/隐私/控制权/价格的权重排序,不是技术优劣。

可执行步骤

  • 注册 OpenRouter 账号,拿 API key,设置 1 小时或更长 expiration。
  • 在 Claude Code 工作目录里跑 glm 前,确认 ANTHROPIC_BASE_URL 已指向 OpenRouter 的 GLM 5.2 端点、key 已注入环境变量。
  • 在 prompt 里用 /glm 切到 GLM 5.2 子会话(若已为 GLM 单独配 slash command),验证一句”你是哪个模型”应回 “GLM 5.2 via Open Router”。
  • 需 Web 搜索时,在新目录里让 Claude Code “setup exa.ai for web search”,提供 Exa AI API key。
  • 装到 Open Code: brew install open-code;装到 Crush: brew install crush,然后用同一份 OpenRouter 截图让 agent 帮你配。
  • 若想本地自托管:查 2-bit 量化版的显存/内存门槛(256GB Mac 起步)再决定是否值得。

关联

一手来源与延伸

  • 视频主推 GLM 5.2(由 Z.AI / 智谱发布);meta description 未给出论文/官方仓库链接,description 仅含 Skool 课程、播客频道、Instagram/Twitter/Blog 等博主本人渠道。
  • 演示接入链中实际使用的产品:
    • OpenRouter:https://openrouter.ai(视频中未直接给 URL,但全程在 openrouter.ai 界面演示注册与取 key)
    • Exa AI:视频中以”XAI / exa.ai”出现,功能是为 AI agent 提供 web 搜索
    • Z.AI(智谱):GLM 5.2 的原产厂商,AI coding plan 注册入口
    • Claude Code / Open Code / Crush:均为 harness / agent 终端

(视频本身未给学术论文或官方仓库链接,以上均为视频中实际出现的产品名;论文/官方文档需联网另查,本片不收录。)

术语

  • ANTHROPIC_BASE_URL:Claude Code 读取的环境变量,改它即可把 Anthropic API 客户端指向任意兼容端点(本片用来指向 OpenRouter 上的 GLM 5.2)
  • taste(模型语境):Nick 用以替代 benchmark 的判别标尺,指模型对”什么算好看/干净/合理”的隐式判断
  • higher style multiplier:Nick 的说法,指同等 prompt 下默认产出风格上限更高的能力
  • 2-bit 量化:把模型权重用 2 比特存储的极致压缩,本片里 GLM 5.2 经此压缩后保留 82% 准确率,可在 256GB Mac 跑
  • fast mode:Claude Code 内的推理速度档位(本片未给官方定义,只在演示时口头说明”我开了 fast mode,所以 Opus 看起来更快”)

金句

“I do believe that GLM 5.2 right now has better taste than Opus 4.8.” (13:56) — Nick 用”taste”而非”intelligence”做结案陈词,呼应全片”benchmark 已饱和,看真实输出”的判断;这句话也定义了他把 GLM 5.2 当 daily driver 的具体依据,而不是”更便宜所以用它”。

“In an era where AI models are capable of getting taken down at a whim or you know getting significantly more expensive because of API pricing, we’re at the point now where you know GLM 5.2 or other open models legitimately might make sense.” (00:33) — 解释为什么 2026 年中再谈”开源 vs 闭源”有现实意义:不只是 benchmark 接近,而是”随时被下架”与”API 涨价”两个新变量把选择面撑开了。

立场与利益

  • 与利益同向,采信前需外部印证:1/5 价格、daily driver、更好 taste 这三个核心主张——Nick 同时卖 Maker School 课程与 LeftClick 顾问服务(见 description),内容上力推 GLM 5.2 会强化他”用 AI 工具/模型搭产物”的人设。已在关联节用 Greg Isenberg 等独立来源印证,采信折扣较小。
  • 利益中性,可独立验证:ANTHROPIC_BASE_URL 替换机制、OpenRouter / Exa AI 接入步骤——这些是技术机制,与博主变现无关,按内容本身采信。
  • 与利益反向(可信度最高):Nick 自陈”不是 OpenRouter 赞助的”、并提到 Opus 跑得快是因”我开了 fast mode”——前者主动撇清商业关联,后者主动承认自己观察里有 bias(本应更长的输出被 fast mode 加速),这两个坦白让全片其他主张的采信折扣可适度下调。

(利益证据:description 顶部 Skool Maker School 招生链接、底部 podcast / blog / Instagram / Twitter / 三门免费课——典型的内容创作者商业矩阵;Nick 在口播中亦直白说”我 24/7 在用 GLM 5.2”。)

价值定位

  • 适合谁:已经在用 Claude Code、想把 Anthropic 之外的开源模型接进同一 harness 的实操者;或正在为”该不该把 GLM 5.2 当 Opus 4.8 的 fallback”做决策的人。
  • 解决什么:省去”GLM 5.2 到底能不能在我日常 Claude Code 工作流里替换 Opus”的尝鲜成本——看完就知道 base URL 怎么改、Exa AI 怎么接、四种部署路径各适合谁。
  • 认知 vs 实操:两者都给——前半段是”模型品味”这一概念框架,后半段是”装进 Claude Code + 接入 web 搜索 + 四种部署”的可照搬步骤。
  • 与 2026-06-23-GLM 5.2 开源模型逼近旗舰模型的成本实测与接入指南 重叠:都覆盖 “GLM 5.2 ≈ Opus 4.8、成本约 1/5” 核心判断与 OpenRouter 接入路径;本片独有 Claude Code harness 集成(ANTHROPIC_BASE_URL 替换)+ Exa AI web 搜索拼图 + 2-bit 量化自托管这条兜底线。

自检问题

  1. 把 GLM 5.2 装进 Claude Code harness,最关键的一步是改哪个环境变量? 答案:ANTHROPIC_BASE_URL(详见详解3,锚点 07:12)
  2. Nick 用什么具体证据判断 GLM 5.2 ≈ Opus 4.8,而非依赖 benchmark 数字? 答案:同一份 naive prompt 在两个模型上各跑一遍 7 个真实场景(3D、解释器、仪表盘、落地页、全栈 app、小游戏),靠人眼判断”taste”(详见详解1、详解2)
  3. GLM 5.2 缺内置 Web 搜索,本片给出的解法是? 答案:把搜索能力单独接出去到 Exa AI,Claude Code 仍负责调度,Exa AI 只负责检索(详见详解4,锚点 07:52)
  4. 本片列出的 GLM 5.2 四条部署路径是哪四条?各自适合什么场景? 答案:Z.AI 官方订阅(类 Claude Max,稳定用量)/ OpenRouter(按量付、自动仲裁,plug-and-play)/ Fireworks/Deep Infra/GMI 直连(对延迟与稳定性敏感)/ 2-bit 量化自托管(256GB Mac 兜底,无外网依赖)(详见详解5)
  5. Nick 提到的”higher style multiplier”具体指什么,为什么重要? 答案:同等 prompt 下默认产出风格上限更高,省下的不是 token 而是设计师后续返工时间(详见详解2)

关系图谱

反向链接